Identifikasi Penyakit Tanaman Cabai Berdasarkan Ekstrasi Fitur Warna Tekstur Menggunakan SVM dan Random Forest

Abstract

Tanaman cabai (Capsicum annuum L.) merupakan komoditas hortikultura bernilai ekonomi tinggi di Indonesia, namun produktivitasnya kerap terganggu oleh penyakit daun yang selama ini masih diidentifikasi secara manual oleh petani, sehingga rentan terhadap keterlambatan dan kesalahan subjektif. Penelitian ini bertujuan membangun sistem identifikasi otomatis penyakit daun cabai menggunakan ekstraksi fitur warna dan tekstur yang dibandingkan performanya melalui algoritma Support Vector Machine (SVM) dan Random Forest (RF). Dataset yang digunakan berjumlah 400 citra daun cabai dari Kaggle yang terbagi merata ke dalam lima kelas: healthy, leaf curl, leaf spot, whitefly, dan yellowish. Setiap citra melalui pra-pemrosesan resize 128×128 piksel, kemudian diekstraksi menjadi 236 dimensi fitur yang terdiri atas 205 dimensi fitur warna (Histogram RGB, HSV, dan color moments) dan 31 dimensi fitur tekstur (GLCM, statistik grayscale, dan gradien Sobel). Data dibagi dengan skema 80:20 dan dievaluasi menggunakan akurasi, presisi, recall, F1-Score, confusion matrix, 5-Fold Cross Validation, serta analisis feature importance. Hasil pengujian menunjukkan SVM kernel RBF unggul dengan akurasi 70,00% dibandingkan Random Forest 60,00%, serta waktu pelatihan jauh lebih cepat (0,02 detik berbanding 0,58 detik). Analisis feature importance mengungkap bahwa kelompok fitur warna berkontribusi dominan sebesar 71,00% dibandingkan fitur tekstur 29,00%, membuktikan bahwa perubahan warna daun menjadi indikator utama penyakit cabai. Hasil 5-Fold Cross Validation menunjukkan penurunan akurasi menjadi 32,50% (SVM) dan 37,50% (RF), mengindikasikan perlunya penambahan volume dataset pada penelitian berikutnya.